具有不确定持有成本的调度及其在内容审核中的应用

在社交媒体平台的内容审核中，延迟审核内容的成本与其浏览量轨迹成正比，而该轨迹是波动的且预先未知的。受此类不确定持有成本的启发，我们考虑了一个排队模型，其中作业状态基于具有状态依赖瞬时持有成本的 Markov 链演化。我们证明，在存在此类不确定持有成本的情况下，两种经典算法原则——瞬时成本（$c\mu$ 规则）和预期剩余成本（$c\mu/\theta$ 规则）——均非最优。通过将每个作业视为 Markov 租赁问题，我们开发了一种新的基于索引的算法——机会调整剩余成本（OaRC），该算法在不确定性部分消除时适应未来服务作业的机会。我们证明 OaRC 的遗憾界为 $\tilde{O}(L^{1.5}\sqrt{N})$，其中 $L$ 是作业持有成本轨迹的最大长度，$N$ 是系统规模。该遗憾界表明，当系统规模 $N$ 趋于无穷大时，OaRC 实现了渐近最优。此外，其遗憾与状态空间大小无关，这在作业状态包含上下文信息时是一个理想的性质。我们基于内容审核中出现的两种持有成本模式（在线广告和用户生成内容）进行了广泛的模拟研究，以证实我们的结果。我们基于合成和真实数据集的模拟表明，OaRC 始终优于基于上述两种经典算法原则的现有实践。